本文提出一种基于损失加权策略的 Source-free Unsupervised Domain Adaptation 方法，该方法在没有源数据的情况下，通过估计伪标签的不确定性来逐步优化伪标签，并采用一种自监督对比框架作为目标空间规范化器来增强知识聚合，并在三个基准测试中均取得了显著的优异表现，证明了该方法的鲁棒性。

Mar, 2023

提出了一种用于语义分割的开放域适应方法，在目标域中包含未知类别，通过构建边界和未知形状感知的开放域域自适应模型 (BUS)，利用新颖的膨胀腐蚀对比损失函数来准确识别已知和未知类别的边界，并提出了一种新的领域混合增强方法（OpenReMix），此方法指导模型学习域和尺寸不变特征，以改善已知和未知类别的形状检测，通过广泛实验表明，与之前的方法相比，BUS 在具有挑战性的 OSDA-SS 场景中有效地检测未知类别。

May, 2024

通过知识迁移和自监督学习，提出了一种基于 source-free 的语义分割域适应框架 SFDA，它可以在只有一个经过良好训练的源模型和一个未标注的目标域数据集的情况下，在语义分割中恢复和保存源域知识。

Mar, 2021

本文提出一种基于 Unknown-Aware Domain Adversarial Learning（UADAL）的开放领域适应方法，该方法在特征对齐过程中同时对齐源和目标已知分布，隔离目标未知分布，实现了特征对齐和目标未知类别的理论保证，实验结果表明此方法胜过其他方法并表现出最先进的性能。

Jun, 2022

本文提供了第一篇研究开放领域自适应的学习界限，并提出了一种基于分布对齐的新型无监督算法，该算法旨在正则化开放集差异界限，实验证明所提出的 UOSDA 方法优于现有文献中的最新方法。

Jul, 2019

本文提出了一种基于黑盒分割模型的无监督域自适应解决方案，利用指数混合衰减的知识蒸馏方案逐步学习目标特定表示，并应用无监督熵最小化来规范目标域置信度，最终在 BraTS 2018 数据库上取得了与白盒源模型适应方法相当的性能。

Aug, 2022

本研究针对数据保护、存储和传输等实际场景中普遍存在的源数据访问限制，提供了一篇系统综述文章，介绍了最近提出的无源自适应方法，着重对白盒和黑盒方法进行分类，并详细讨论了各类方法中的挑战以及适用于无源数据的模型在提高泛化能力方面的流行技术和常用基准数据集。

Dec, 2022

Unknown Sample Discovery (USD) 是一种利用时间集成的教师模型进行已知 - 未知目标样本分离并通过协同训练和教师学生之间的时间一致性将学生模型适应于目标领域的 SF-OSDA 方法，着重推进 Jensen-Shannon 距离（JSD）作为已知 - 未知样本分离的有效度量。

Dec, 2023

在医学图像分割领域，我们提出了一种新颖的两阶段无源域适应框架（SFDA），通过仅使用训练有素的源分割模型和无标签目标数据，旨在解决没有源数据时的问题。该框架首先利用预训练像素分类器的权重作为源原型，通过最小化预期成本，通过双向传输将目标特征与类原型对齐，其次设计了对比学习阶段，利用具有不可靠预测的像素来得到更紧凑的目标特征分布。实验证明，我们的方法在大域差异设置下优于最先进的 SFDA 方法甚至一些 UDA 方法。

Jul, 2023

提出了一个两阶段训练策略来实现领域自适应的稳健性，第一阶段利用对抗样本增强来增强源模型的稳健性和泛化能力，第二阶段提出了一种新的稳健伪标签和伪边界方法，有效利用无标签目标数据生成伪标签和伪边界，实现模型的自适应，无需源数据。在跨领域眼底图像分割上的实验结果证实了该方法的有效性和通用性。

Oct, 2023